OpenMobile-2 开源手机智能体在真实设备基准上追平闭源模型

要点

仅靠更多数据并不能让智能手机智能体变得更好。在数据量相同的情况下，最关键的是智能体在多少个不同的应用上进行训练。

能够自主操作应用的 AI 智能体主要通过实践来学习，但它们所需的数据大多被大公司锁住。因此，开源模型处于落后状态，南京大学、AI 公司商汤以及其他几所大学的研究人员写道。

OpenMobile-2 是他们缩小这一差距的尝试。他们发布了两个智能体模型，分别基于 Qwen3.5 的 90 亿参数版本和 Qwen3.6 的 270 亿参数版本，同时公开了完整的训练环境、数据和复现全部内容的说明。作者表示，他们的模型在当前的智能手机智能体中排名接近前列。

为什么重建 110 个应用胜过在真实应用上训练

在真实应用上训练很痛苦，因为登录、真实购买以及无法重置状态使这一过程成本高昂且难以重复。因此，研究人员重建了 35 个主要在中国流行的应用，包括淘宝、京东、滴滴和美团，以及 Slack 和 Google Drive 等全球使用的服务。结合现有的模拟环境和在 Android 模拟器中运行的应用，这一练习场地覆盖了 110 多个应用。

人工审核人员将重建的应用与原始应用进行比较，并不断改进，直到工作流程和界面匹配。订单、预算和旅行计划在多次会话之间保持，数据可以通过剪贴板在应用之间传递。每个模拟都会自动重置到初始状态，而智能体只能看到截图，无法访问应用内部数据，模拟了人们实际使用这些应用的方式。

在这一设置下，团队生成了约11,600条示例工作流和2,000多个带有自动成功校验的练习任务。Google的Gemini 3.1 Pro担任生成这些示例的教师模型，这意味着OpenMobile-2实际上是在向一个闭源系统学习。

真机性能提升最大

两个模型在既有基准测试上都表现出明显提升。在AndroidWorld上，较大模型从67.1分跃升至79.9分，较小模型则从54.3分升至74分。前代OpenMobile-1在同一测试中得分为64.7分。在难度更高的MobileWorld基准测试中（涵盖跨多个应用的较长任务），较大模型从35.9分提升至50.4分。

最大的跃升出现在真实Android设备上：在SPA-Bench中，较大模型从31.9分攀升至59.6分。研究人员表示，这是开源模型中的最佳成绩。

在这里，训练环境的多样性比单纯的数据量更重要。研究人员保持数据量不变，仅增加智能体练习所涉及的应用数量，结果在未见过的应用上的成功率从60.7%提升至67.5%。在相同的数据预算下，应用多样性胜过从少数几个应用中获取更多示例。

在此基础上叠加强化学习只带来了有限提升，且主要体现在与训练设置相似的环境中。在AndroidWorld上，较大模型在强化学习后得分反而略有下降，为79.9分而非80.8分。

直接命令让智能体跳过菜单迷宫

该研究的一个实验性部分超越了点击和滑动操作。超过50个模拟应用提供“加入购物车”之类的直接命令，使智能体可以跳过菜单导航，并且智能体可根据可用功能在两种方式之间自由切换。

不过，单靠这一点帮助不大，因为如果没有针对性训练，模型往往会忽略这些捷径。一旦在这些捷径上完成训练，智能体就能很好地利用它们，多解决最多10.3个百分点的任务，同时所需步骤减少约五步。研究人员表示，这种能力还能迁移到模型在训练中从未接触过的工具上。

在后续的强化学习阶段，只要一次运行包含至少一条直接命令，工具使用就会获得一个奖励系数，不过奖励仍取决于任务是否真正完成。当智能体报告了并不真实的成功时，就会受到惩罚。这些接口目前只存在于模拟应用中，研究人员自己也称这种方法为实验性方法。

部分结果来自团队构建的自定义基准测试，包含215项任务，其中近一半跨多个应用。任务完成情况并非由语言模型评判，而是由一个程序在每次运行前后比较应用存储的数据来判定。作者还检查了训练任务与测试任务之间的重叠情况，发现仅有轻微相似性。

微软研究院在2025年的一项研究中已将API智能体归类为更可靠，而GUI智能体更灵活，并指出移动应用是外部接口不存在的典型场景。Oppo则在其开放智能体X-OmniClaw上采取了不同路线，该智能体在真实设备上运行，并通过深度链接在淘宝或美团等应用中重放先前展示过的路径，而不是再次点击浏览菜单。在闭源模型中，谷歌已将智能手机控制功能直接内置到Gemini 3.5 Flash中。